PHÂN TÍCH BIẾN TRUNG GIAN TRONG SEM BẰNG BOOTSTRAP

Tách tác động trực tiếp và gián tiếp, kiểm định bằng bootstrap trong JASP, AMOS và phân loại kiểu trung gian

Bài nên đọc trước

• Kiểm định giả thuyết trong mô hình SEM

Bài kiểm định giả thuyết trong SEM kết luận giả thuyết H4 (xác nhận kỳ vọng tác động trực tiếp đến ý định mua lại) không được ủng hộ, trong khi tác động tổng của xác nhận kỳ vọng vẫn lớn. Câu hỏi tiếp theo là: tác động đó đi qua đường nào và mỗi đường có ý nghĩa không? Đó là nội dung của phân tích trung gian (mediation).

Bài này tách ba đường gián tiếp từ xác nhận kỳ vọng đến ý định mua lại, kiểm định từng đường bằng bootstrap, phân loại kiểu trung gian và cho thấy một bài học ít được nhắc: với tác động gián tiếp sát ngưỡng, kết luận có thể đổi theo cách tính khoảng tin cậy.

Ảnh được chụp từ JASP 0.99.0 (JASP Team, 2026), mở tiếp phân tích SEM của bài kiểm định giả thuyết trong SEM. Các con số được đối chiếu bằng gói lavaan của R (Rosseel, 2012), file trung_gian_bootstrap.R, cũng với 2000 mẫu bootstrap. Hình về AMOS là sơ đồ tự vẽ, không phải ảnh chụp màn hình; tên menu và mục kết quả ghi đúng giao diện tiếng Anh của AMOS (IBM Corp., 2026).

Dữ liệu mẫu. Dữ liệu và script dùng trong bài nằm ở thư mục 28-bien-trung-gian-sem-bootstrap của kho dữ liệu mẫu trên GitHub. Muốn tải cả kho, bấm Code > Download ZIP rồi giải nén và giữ nguyên cấu trúc thư mục.

1. Tác động trực tiếp, gián tiếp và tổng

Trong mô hình sàn X, xác nhận kỳ vọng tác động đến ý định mua lại qua một đường trực tiếp và ba đường gián tiếp (Hình 1).

Hình 1. Ba đường gián tiếp từ Xác nhận kỳ vọng đến Ý định mua lại trong mô hình sàn X.

Trong mô hình sàn X, xác nhận kỳ vọng (XACNHAN) đến ý định mua lại (YDINH) qua bốn con đường (Bảng 1):

Bảng 1. Ba loại tác động trong mô hình sàn X.

Tác động gián tiếp cụ thể (specific indirect effect) là tích các hệ số trên một đường đi. Phần mềm thường chỉ in tổng gián tiếp; để biết đường nào có ý nghĩa, phải định nghĩa từng tích.

2. Vì sao dùng bootstrap?

Tích của hai hệ số không có phân phối chuẩn, kể cả khi từng hệ số có phân phối chuẩn: phân phối của tích thường lệch. Kiểm định Sobel (phương pháp delta) giả định phân phối chuẩn nên kém chính xác, nhất là với mẫu vừa và nhỏ (Preacher & Hayes, 2008). Bootstrap không cần giả định này: rút 2000 mẫu lặp, tính tích trong mỗi mẫu, lấy phân vị 2,5% và 97,5% làm khoảng tin cậy. Tác động gián tiếp có ý nghĩa khi khoảng tin cậy không chứa 0.

Có hai loại khoảng tin cậy bootstrap phổ biến:

• Percentile: lấy thẳng phân vị. Đơn giản, được khuyến nghị gần đây vì kiểm soát sai lầm loại I tốt hơn (Hayes, 2022).
• Bias-corrected (BC): hiệu chỉnh độ chệch của phân phối bootstrap. Có lực kiểm định cao hơn nhưng đôi khi cho sai lầm loại I cao hơn mức danh nghĩa (Fritz và cộng sự, 2012).

Không dùng giá trị p của bootstrap khi phần mềm in ra (JASP và lavaan tính p này bằng sai số chuẩn bootstrap kèm giả định chuẩn); kết luận dựa trên khoảng tin cậy.

3. Định nghĩa tác động gián tiếp và chạy bootstrap trong JASP

Mở phân tích SEM của bài kiểm định giả thuyết trong SEM (nhãn h1 đến h7 đã có) và thay phần định nghĩa ở cuối cú pháp bằng:

# Tac dong gian tiep cu the
XN_GT_YD := h1*h5
XN_HL_YD := h2*h6
XN_GT_HL_YD := h1*h3*h6
GT_HL_YD := h3*h6
# Tong gian tiep va tong
XN_YD_gian_tiep := h1*h5 + h2*h6 + h1*h3*h6
XN_YD_tong := h4 + h1*h5 + h2*h6 + h1*h3*h6
hieu_GT_HL := h1*h5 - h2*h6

Toàn bộ cú pháp sau khi thêm các dòng trên được trình bày ở Hình 2.

Hình 2. (1) Bảy đường dẫn có nhãn, (2) các tác động gián tiếp cụ thể, (3) tổng gián tiếp, tổng và hiệu hai đường gián tiếp.

Sau đó bật bootstrap trong Estimation Options (Hình 3):

1. Chọn Standard errors = Bootstrap.
2. Nhập 2000 vào Bootstrap samples.
3. Chọn Type = Percentile (mặc định của JASP là Bias-corrected percentile).
4. Đánh dấu Set a random seed và nhập một số bất kỳ (ví dụ 2026), để chạy lại cho đúng kết quả cũ.

Hình 3. (1) Sai số chuẩn bằng bootstrap, (2) số mẫu và loại khoảng tin cậy, (3) hạt giống ngẫu nhiên.

JASP vẫn dùng FIML với cả 267 người khi bootstrap, khác AMOS phải dùng file trả lời đủ. Thời gian chạy phụ thuộc máy: 2000 mẫu với mô hình này mất từ vài phút đến hơn nửa giờ trên máy yếu. Mô-đun SEM > Mediation Analysis của JASP cũng làm được trung gian, nhưng chỉ cho biến quan sát (điểm trung bình), không cho biến tiềm ẩn; vì vậy bài dùng mô-đun SEM.

Làm trong AMOS

Nếu bạn dùng AMOS thay cho JASP, bootstrap được bật trong Analysis Properties và từng tác động gián tiếp được tách bằng Estimands (Hình 4).

Hình 4. Năm bước kiểm định tác động gián tiếp cụ thể trong AMOS.

1. Mở file trả lời đủ du_lieu_amos_du.sav bằng File > Data Files, bỏ đánh dấu Estimate means and intercepts. AMOS không chạy bootstrap khi dữ liệu có ô trống (bài chuẩn bị dữ liệu cho CFA và SEM).
2. Bật bootstrap trong View > Analysis Properties > Bootstrap: đánh dấu Perform bootstrap và nhập 2000 vào Number of bootstrap samples; đánh dấu Percentile confidence intervals và Bias-corrected confidence intervals, mức 95. Ở thẻ Output, đánh dấu Indirect, direct & total effects.
3. Đặt nhãn h1 đến h7 cho bảy đường dẫn: bấm đúp mũi tên, gõ nhãn vào ô Regression weight (bài kiểm định giả thuyết trong SEM).
4. Khai báo tác động gián tiếp cụ thể. Ở góc dưới bên trái cửa sổ Amos Graphics, bấm dòng Not estimating any user-defined estimand, chọn Define new estimands. Một cửa sổ soạn thảo mở ra; gõ:

XN_GT_YD = h1*h5
XN_HL_YD = h2*h6
XN_GT_HL_YD = h1*h3*h6
GT_HL_YD = h3*h6
hieu_GT_HL = h1*h5 - h2*h6

Bấm Check syntax, rồi lưu file (ví dụ trung_gian.vb) và đóng cửa sổ. Dòng ở góc dưới đổi thành tên file vừa lưu.

5. Chạy bằng Ctrl+F9, mở View > Text Output:
   • Mục Estimates > Matrices > Indirect Effects cho tổng gián tiếp (không tách theo đường); chọn Bootstrap Confidence ở khung dưới bên trái để xem khoảng tin cậy.
   • Mục User-defined estimands cho từng tác động gián tiếp cụ thể; tương tự, chọn Bootstrap Confidence để xem khoảng tin cậy percentile và bias-corrected.

Tính năng User-defined estimands có sẵn trong AMOS từ phiên bản 24. Với phiên bản cũ hơn, cần plugin của bên thứ ba.

4. Kết quả

Các tác động gián tiếp và khoảng tin cậy bootstrap được vẽ ở Hình 5, lấy từ bảng Defined Parameters của JASP (Hình 6) và tóm tắt ở Bảng 2.

Hình 5. Tác động chưa chuẩn hóa và khoảng tin cậy 95% bootstrap percentile (FIML, N = 267, 2000 mẫu).

Hình 6. Bảng Defined Parameters sau khi chạy bootstrap: (1) ước lượng chuẩn hóa, (2) khoảng tin cậy percentile 95%.

Vì Standardization = All vẫn bật từ bài kiểm định giả thuyết trong SEM, JASP in tác động gián tiếp chuẩn hóa kèm khoảng tin cậy bootstrap của chúng, ví dụ đường qua giá trị cảm nhận: 0,135 [0,016; 0,265]. Đổi Standardization về None để có hệ số chưa chuẩn hóa như bảng dưới. Hai cách cho cùng kết luận ở mọi tác động. Cột p là giá trị tính bằng sai số chuẩn bootstrap kèm giả định chuẩn; kết luận dựa vào khoảng tin cậy (Bảng 2).

Bảng 2. Tác động gián tiếp, tổng và khoảng tin cậy bootstrap.

FIML, N = 267, 2000 mẫu bootstrap.

Ba điểm chính:

1. Cả ba đường gián tiếp có ý nghĩa và tổng gián tiếp (0,269) chiếm khoảng 75% tác động tổng (0,357).
2. Tác động trực tiếp không có ý nghĩa. Theo phân loại ở mục 5, đây là trung gian chỉ gián tiếp (trung gian toàn phần): xác nhận kỳ vọng ảnh hưởng đến ý định mua lại thông qua giá trị cảm nhận và sự hài lòng.
3. Không đường nào mạnh hơn đường nào có ý nghĩa. Hiệu giữa đường qua giá trị cảm nhận và đường qua sự hài lòng có khoảng tin cậy chứa 0. Giống bài học ở bài kiểm định giả thuyết trong SEM: không xếp hạng các đường gián tiếp bằng mắt.

Với giá trị cảm nhận: tác động trực tiếp đến ý định mua lại có ý nghĩa (h5, bài kiểm định giả thuyết trong SEM) và tác động gián tiếp qua sự hài lòng cũng có ý nghĩa, cùng dấu dương. Đây là trung gian bổ sung (trung gian một phần).

5. Phân loại trung gian

Kiểu trung gian được xác định từ ý nghĩa của tác động gián tiếp và trực tiếp theo cây quyết định của Zhao và cộng sự (2010) ở Hình 7.

Hình 7. Cây quyết định phân loại trung gian của Zhao và cộng sự (2010).

Cách tiếp cận cũ của Baron và Kenny (1986) yêu cầu tác động tổng phải có ý nghĩa trước khi xét trung gian và dùng kiểm định Sobel. Zhao và cộng sự (2010) chỉ ra rằng điều kiện này không cần thiết: điều quyết định là tác động gián tiếp có ý nghĩa hay không. Sau đó, tác động trực tiếp dùng để phân loại (Bảng 3):

Bảng 3. Phân loại trung gian theo tác động gián tiếp và trực tiếp.

Lưu ý khi viết "trung gian toàn phần": tác động trực tiếp không có ý nghĩa không chứng minh nó bằng 0 (bài T-test, 27). Với mẫu lớn hơn, một tác động trực tiếp nhỏ có thể trở nên có ý nghĩa. Nhiều tác giả khuyên mô tả "tác động đi chủ yếu qua biến trung gian" thay vì khẳng định "toàn phần" (Hayes, 2022).

6. Khi kết luận phụ thuộc cách tính

Đường gián tiếp 1 (qua GIATRI) có cận dưới sát 0. So sánh các cách tính khoảng tin cậy (Bảng 4):

Bảng 4. Khoảng tin cậy của đường gián tiếp 1 theo các cách tính.

Trên 254 người trả lời đủ (cách AMOS bắt buộc phải làm), khoảng tin cậy percentile vừa chạm 0, còn bias-corrected thì không. Hệ số h5 (GIATRI đến YDINH) cũng vậy: khoảng percentile trên 254 người là [−0,001; 0,398]. Ở bài kiểm định giả thuyết trong SEM, một lần chạy bootstrap khác trên cùng dữ liệu cho cận dưới của h5 là 0,006. Kết quả thay đổi theo hạt giống ngẫu nhiên, cách xử lý dữ liệu thiếu và loại khoảng tin cậy: dấu hiệu chắc chắn của một tác động sát ngưỡng.

Cách xử lý trung thực:

• Chọn cách tính trước khi xem kết quả (ví dụ: FIML, bootstrap percentile, 2000 mẫu) và giữ nguyên.
• Ghi hạt giống ngẫu nhiên và số mẫu bootstrap để người khác lặp lại được.
• Không đổi sang bias-corrected chỉ vì percentile cho kết quả không có ý nghĩa.
• Báo cáo đường gián tiếp này là bằng chứng yếu, kèm phân tích độ vững như bảng trên. Các đường 2 và 3 có ý nghĩa ổn định ở mọi cách tính.

7. Trình bày kết quả

Tác động gián tiếp được kiểm định bằng bootstrap với 2000 mẫu và khoảng tin cậy percentile 95% (FIML, N = 267). Xác nhận kỳ vọng có tác động gián tiếp có ý nghĩa đến ý định mua lại qua giá trị cảm nhận (B = 0,130; KTC 95% [0,020; 0,260]), qua sự hài lòng (B = 0,087; [0,012; 0,194]) và qua chuỗi giá trị cảm nhận rồi sự hài lòng (B = 0,052; [0,007; 0,111]). Tổng tác động gián tiếp là 0,269 ([0,155; 0,418]) trong khi tác động trực tiếp không có ý nghĩa (B = 0,088; [−0,099; 0,261]), cho thấy tác động của xác nhận kỳ vọng đến ý định mua lại đi chủ yếu qua hai biến trung gian (Zhao và cộng sự, 2010). Đường gián tiếp qua giá trị cảm nhận nằm sát ngưỡng: khoảng tin cậy percentile trên 254 người trả lời đủ chạm 0 (−0,001; 0,257).

Năm lỗi thường gặp

Các lỗi dưới đây hay gặp khi phân tích và báo cáo biến trung gian.

1. Dùng kiểm định Sobel làm kiểm định chính cho tác động gián tiếp.
2. Chỉ báo cáo tổng gián tiếp khi mô hình có nhiều đường trung gian.
3. Áp dụng điều kiện của Baron và Kenny: dừng phân tích khi tác động tổng không có ý nghĩa.
4. Đổi loại khoảng tin cậy hoặc hạt giống cho đến khi được kết quả có ý nghĩa.
5. Diễn giải trung gian là nhân quả với dữ liệu cắt ngang. Trung gian là một giả thuyết về cơ chế; dữ liệu một thời điểm chỉ cho thấy dữ liệu nhất quán với cơ chế đó.

Tài liệu tham khảo

Baron, R. M., & Kenny, D. A. (1986). The moderator–mediator variable distinction in social psychological research: Conceptual, strategic, and statistical considerations. Journal of Personality and Social Psychology, 51(6), 1173–1182. https://doi.org/10.1037/0022-3514.51.6.1173

Fritz, M. S., Taylor, A. B., & MacKinnon, D. P. (2012). Explanation of two anomalous results in statistical mediation analysis. Multivariate Behavioral Research, 47(1), 61–87. https://doi.org/10.1080/00273171.2012.640596

Hayes, A. F. (2022). Introduction to mediation, moderation, and conditional process analysis: A regression-based approach (3rd ed.). Guilford Press. https://www.guilford.com/books/Introduction-to-Mediation-Moderation-and-Conditional-Process-Analysis/Andrew-Hayes/9781462549030

IBM Corp. (2026). IBM SPSS Amos (Version 32) [Computer software]. IBM Corp. https://www.ibm.com/products/structural-equation-modeling-sem

JASP Team. (2026). JASP (Version 0.99.0) [Computer software]. https://jasp-stats.org/

Preacher, K. J., & Hayes, A. F. (2008). Asymptotic and resampling strategies for assessing and comparing indirect effects in multiple mediator models. Behavior Research Methods, 40(3), 879–891. https://doi.org/10.3758/BRM.40.3.879

Rosseel, Y. (2012). lavaan: An R package for structural equation modeling. Journal of Statistical Software, 48(2), 1–36. https://doi.org/10.18637/jss.v048.i02

Zhao, X., Lynch, J. G., Jr., & Chen, Q. (2010). Reconsidering Baron and Kenny: Myths and truths about mediation analysis. Journal of Consumer Research, 37(2), 197–206. https://doi.org/10.1086/651257